目标检测之SPPNet通俗详解

版权声明：本文为博主原创文章，转载请注明出处：http://blog.csdn.net/eternity1118_。 https://blog.csdn.net/eternity1118_/article/details/89707018

R-CNN算法中我已经知道了它的几个缺点，分别是：提取候选框耗时、重复计算、多次训练；针对以上几个缺点，作者对R-CNN做了改进和优化，改进的主要突破就在于对卷积特征进行共享，避免重复计算，减小计算量。
先来看下下面这张图，第一行就是原始R-CNN的特征提取和表示的过程：

由于要将同一个卷积层的输出作为FC层的输入，所以必须要保证feature map的大小一致（因为全连接层对特征个数有严格要求，即每一个神经元都对应一个特征），所以卷积层的输入Image（候选框）必须要大小一致，由于候选框的大小不一，所以必须要对候选框进行crop或warp（抠图）的操作，然后进行resize，但是大家都知道一旦进行resize，就会对原图造成不同程度的扭曲和拉伸，进而会对提取到的卷积层的feature map产生精度上的影响，降低图像识别准确率。
另外，我们看到上图第一行中，在卷积层之前，每一次都要对原图进行抠图和resize，而且在FC层之前的输入，每一个候选框都要做一次卷积特征提取，导致重复计算。
因此，基于以上两点，提出了SPPNet，请看上图第二行，将SPP的输出作为FC层的输入，完成固定尺寸输出的操作，并且不再采用每一个候选框作为整个框架的输，而是直接把正常原始图片作为输入，先进行卷积操作（记住哦，是一次卷积操作，只有一次），进而产生多个feature map，然后把ss算法提取到的2000个候选区域的位置映射到feature map的对应位置上抠图，进而将抠图得到的feature map送入SPP层，最红得到固定尺寸的FC层输入进行权重计算。
关于SPPNet，具体操作如下图：

不难发现，这里给出了一个三层的金字塔池化层，也就是有3个不同尺度为4x4,2x2,1x1；
也就是不管feature map的大小有多大，都将其分别平均划分成16，4，1个网格，每一个网络就是一个特征点，通过最大池，分别得到16、4、1个特征，最终得到feature map的输出维度就是（16 + 4 + 1）x 通道数，达到固定尺寸的输出，而无需考虑不同尺寸的图片输入，可以看到这里的通道数是256；
注意：这里需要多少个金字塔池化层，以及划分成多少个网格都是任意的，根据自己需要而定。并且，有了SPP层，就可以实现对任意尺寸的图片进行CNN处理。
因此，SPPNet的提出，不仅提升了识别效果，而且也加快了识别速度，于是乎作者在R-CNN上结合SPPNet做了优化。